¡Proteínas a la carta!

    ¿Has pensado alguna vez en la posibilidad de diseñar proteínas y, además, de manera personalizada? Como bien sabrás, las aplicaciones de éstas son muy numerosas, destacando algunas como la detección de enfermedades, la investigación de la función de genes concretos o incluso la lucha contra el cambio climático.

La Dra. Noelia Ferruz, como líder de grupo, y su equipo del Centro de Regulación Genómica (CRG) [1] están trabajando en esta cuestión que nos planteamos por medio de la creación de ATHENA. Acompáñanos a conocer más sobre esta inteligencia artificial que supondrá un gran avance en el mundo de la ciencia.

Figura 1: Fotografía de la Dra. Noelia Ferruz [2].

ATHENA es una nueva inteligencia artificial generativa que tiene como objetivo la creación de proteínas anteriormente inexistentes y que puedan tener aplicaciones novedosas y concretas en distintos ámbitos. Su desarrollo se basa en un prototipo similar al de ChatGPT y otras IA. En lugar de palabras, se emplean secuencias de aminoácidos, estructuras tridimensionales y dinámicas, y sus funciones. ¡Es como enseñarle a un robot con datos, fotos y vídeos! Este aprendizaje automatizado no se conforma fácilmente, sino que continuará aprendiendo a base de ensayo y error, mejorando sus futuras creaciones.

Vídeo 1: Estructura y funciones de las proteínas [3]

Te preguntarás, ¿para qué podría emplearse?

Permite resolver problemas que nos conciernen actualmente, como la captura del dióxido de la atmósfera o la eliminación de compuestos que la contaminan. Se crea una proteína y posteriormente se prueba antes de su uso final. Si la proteína creada es incorrecta, el programa aprende de este error para mejorarla en el siguiente intento.

ATHENA es única, a diferencia de muchos modelos difíciles de interpretar. Está diseñada por medio de IA explicable, siendo clara y nítida a la hora de mostrar la toma de las decisiones, lo cual facilita la deposición de confianza por parte del equipo de investigación. La IA explicable se usa para describir el modelo y su impacto, determinando su precisión, imparcialidad y transparencia por medio de la monitorización de modelos y responsabilidad de la IA. [4]

"Queremos ser capaces de ver el interior del modelo de IA para entender cómo toma decisiones, en lugar de limitarnos a aceptar sus resultados. Esto es importante porque permite a las personas confiar en la tecnología, aprender de ella y asegurarse de que está tomando decisiones por las razones correctas. Este será uno de los mayores retos del proyecto", concluye la Dra. Ferruz. [5]

    El grupo de investigación que está desarrollando este gran avance basa su trabajo en el uso de métodos computacionales y experimentales para el diseño de funciones de proteínas. En los próximos años prevén expandir su área de conocimiento incluyendo aprendizaje automático y métodos computacionales variados para estudiar zonas aún desconocidas del mundo de las proteínas. [6]

Su mayor afán es emplear su conocimiento y experiencia en el sector para enfrentar importantes retos en salud y sostenibilidad, ya que creen en el potencial del diseño de proteínas impulsado por su fusión con la IA. 

    Actualmente, este equipo tiene tres proyectos en curso diferentes [7]:

• Generación controlada de enzimas artificiales. 

Se trata de arquitectura neuronal profunda de Transformer, núcleo de apps como Google Translator o ChatGPT, usado para crear enzimas con funcionalidad concreta. La IA crea un mapa de secuencias específicas para cada función y ZymCTRL es el encargado de dar la secuencia en función de la petición del usuario según la actividad catalítica.

• ProtGPT2: Un modelo generativo para el diseño de proteínas. 

Noelia y su equipo, inspirados por la gran capacidad de otras IA como GPT3 o ChatGPT para generar texto de manera coherente, han entrenado y enseñado a ProtGPT2 en el campo del lenguaje de las proteínas. 

• Fragmentos de proteínas conservados en todo el espacio proteico. 

Las proteínas evolucionan por medio de la replicación y la recombinación de fragmentos de la estructura proteica. Si se imita la evolución natural, se pueden diseñar nuevas proteínas de la misma forma.

¿Qué conclusión obtenemos?

    Este proyecto es una iniciativa novedosa de gran interés en biotecnología, medicina e industria química que promete revolucionar dichos campos facilitando la creación de nuevas proteínas que permitan la sencilla aplicación de las funciones de las mismas para resolver diversos problemas del mundo actual. 

Referencias:

[1] Centro de investigación. https://www.crg.eu/en/programmes-groups/ferruz-lab (Fecha de acceso diciembre, 2024)

[2] Figura 1. https://www.heraldo.es/noticias/aragon/2023/07/05/noelia-ferruz-investigadora-zaragozana-espana-forma-muy-bien-a-sus-cientificos-pero-luego-no-hay-apenas-salidas-1662748.html (Fecha de acceso diciembre, 2024)

[3] Vídeo 1. https://youtu.be/x-dAPzDWXXQ?si=vubMADKmi6xQMGjf (Fecha de acceso diciembre, 2024)

[4] Información sobre IA explicable. https://www.ibm.com/es-es/topics/explainable-ai#:~:text=%C2%BFQu%C3%A9%20es%20la%20IA%20explicable%3F,o%20machine%20learning%20(ML) (Fecha de acceso diciembre, 2024)

[5] Declaración Dra. Ferruz. https://www.crg.eu/en/news/crg-researchers-build-generative-ai-model-synthetic-proteins (Fecha de acceso diciembre, 2024)

[6] Ferruz, N., Heinzinger, M., Akdel, M., Goncearenco, A., Naef, L., & Dallago, C. (2023). From sequence to function through structure: Deep learning for protein design. Computational and Structural Biotechnology Journal, 21, 238-250. https://doi.org/10.1016/j.csbj.2022.11.014 (Fecha de acceso diciembre, 2024)

[7] Proyectos en curso. https://www.aiproteindesign.com/projects (Fecha de acceso diciembre, 2024)